一种用于均值-方差优化的块坐标上升算法
机器学习
2018-11-05 v3 机器学习
摘要
动态决策问题中的风险管理是许多领域(包括金融投资、自动驾驶与医疗健康)的主要关切。均值-方差函数因其简洁性与可解释性而成为风险管理中最广泛使用的目标函数之一。现有的均值-方差优化算法基于多时间尺度随机逼近,其学习率调度往往难以调参,且仅有渐近收敛证明。本文中,我们开发了面向均值-方差优化的无模型策略搜索框架,并给出有限样本误差界分析(至局部最优)。我们的出发点是将原始均值-方差函数通过其 Fenchel 对偶重新表述,由此提出一种随机块坐标上升策略搜索算法。我们给出了末次迭代解的渐近收敛保证以及随机选取解的收敛速率,并在若干基准领域上展示了其适用性。
引用
@article{arxiv.1809.02292,
title = {A Block Coordinate Ascent Algorithm for Mean-Variance Optimization},
author = {Bo Liu and Tengyang Xie and Yangyang Xu and Mohammad Ghavamzadeh and Yinlam Chow and Daoming Lyu and Daesub Yoon},
journal= {arXiv preprint arXiv:1809.02292},
year = {2018}
}
备注
Accepted by NIPS 2018